التعرف على الصور وتحليل المعلمات لحالة اهتزاز الخرسانة بناء على آلة ناقل الدعم
يناير 5, 2024
يستخدم البروتوكول الموصوف في هذا البحث تقنية الرسم البياني للتدرج الاتجاهي لاستخراج خصائص عينات الصور الخرسانية تحت حالات الاهتزاز المختلفة. يستخدم آلة متجه دعم للتعلم الآلي ، مما يؤدي إلى طريقة التعرف على الصور مع الحد الأدنى من متطلبات عينة التدريب ومتطلبات أداء الكمبيوتر المنخفضة.
استخدم البروتوكول الموصوف في هذا البحث تقنية الرسم البياني للتدرج الاتجاهي لاستخراج خصائص عينات صورة ملموسة تحت خلايا اهتزاز مختلفة. يستخدم آلة متجه دعم للتعلم الآلي ، مما يؤدي إلى طريقة التعرف على التصوير مع الحد الأدنى من متطلبات العينات المدربة ومتطلبات أداء الكمبيوتر المنخفضة. يقلل هذا النهج بشكل كبير من عدد العينات المطلوبة ، ويقلل من متطلبات أداء الكمبيوتر.
مع ما يعادل الكمبيوتر المحمول عند وحدات المعالجة المركزية 2.3 جيجاهرتز ، تكمل عملية التعرف تمايز مساحة القطار لآلة المتجهات المدعومة في غضون 50 ثانية فقط. يتم استخدام تجزئة الصورة تحت حجم 128 مشروعا و 128 مشروعا. يتم تعيين عدد متجهات الاتجاه لمعكوس الزاوية الإحصائية على 12.
في عملية صورة بدقة 224 ، يتم تحقيق أفضل تكرار للتعرف على نتيجة التعلم الآلي.
نظرة عامة
تقدم هذه الدراسة بروتوكولاً يستخدم تقنية مدرج التكرار للتدرج الاتجاهي لتحليل عينات صور خرسانية تحت حالات اهتزاز مختلفة. ويتضمن البروتوكول استخدام آلة المتجهات الداعمة للتعلم الآلي، مما يحقق تعرّفاً فعالاً على الصور مع الحد الأدنى من متطلبات عينات التدريب.
المكونات الرئيسية للدراسة
مجال العلم
- التعرف على الصور
- تعلم الآلة
- تحليل الخرسانة
خلفية علمية
- يتم استخدام تقنية مدرج التكرار للتدرج الاتجاهي لاستخراج الميزات.
- تُستخدم آلات متجه الدعم لمهام التصنيف.
- تتناول الدراسة تحديات حجم العينة والمتطلبات الحسابية.
- تم إثبات كفاءة المعالجة على أجهزة الكمبيوتر المحمولة القياسية.
الغرض من الدراسة
- تطوير طريقة للتعرف على الصور الخرسانية تحت ظروف متغيرة.
- تقليل عدد عينات التدريب المطلوبة لتحقيق تعلم آلي فعال.
- خفض المتطلبات الحسابية لمهام التعرف على الصور.
الطرق المستخدمة
- تقنية مدرج التكرار للتدرج الاتجاهي لاستخراج سمات الصور.
- آلة متجهات الدعم للتصنيف.
- تجزئة الصور بحد أقصى للحجم يبلغ 128 مشروعاً.
- عكس الزاوية الإحصائية مع 12 متجهاً اتجاهياً.
النتائج الرئيسية
- تكتمل عملية التعرف على تمايز التدريب في غضون 50 ثانية على وحدة معالجة مركزية بتردد 2.3 GHz.
- خفض كبير في متطلبات حجم العينة اللازمة لتحقيق تعرف فعال.
- تؤدي المتطلبات الحسابية المنخفضة إلى جعل هذه الطريقة متاحة للاستخدام عبر أجهزة الكمبيوتر المحمولة القياسية.
- إثبات الفعالية في التعرف على صور الخرسانة في ظل حالات اهتزاز مختلفة.
الاستنتاجات
- تقدم الطريقة المقترحة حلاً عملياً للتعرف على صور الخرسانة.
- تقلل هذه الطريقة من الحاجة إلى عينات تدريبية مكثفة.
- يتميز هذا النهج بالكفاءة ومناسب للاستخدام على أجهزة الحوسبة الشائعة.
الأسئلة الشائعة
الأهمية الصناعية التنفيذية
يتيح التعرف القوي على الحالة القائم على الصور باستخدام آلات ناقلات الدعم (SVM) ومخططات التدرج الاتجاهية تقييماً موضوعياً وكمياً لحالات المواد مع الحد الأدنى من متطلبات العينات والحوسبة. ويدعم هذا النهج تحليلات قابلة للتوسع وإعادة الإنتاج للفحص عالي الإنتاجية ومراقبة الجودة في بيئات البحث والتطوير. كما يؤثر تحسين المعاملات بشكل مباشر على الثقة التنبؤية والكفاءة التشغيلية عند نقاط اتخاذ القرار الرئيسية في مسار الاكتشاف والتطوير.
التطبيقات الاستراتيجية في البحث والتطوير في مجال الأدوية الحيوية
الاكتشاف المبكر والتحقق من الهدف
- يُتيح الاستقصاء الكمي لحالات المواد أو الأنظمة باستخدام سمات موضوعية مستمدة من الصور.
- يدعم تقليل المخاطر الميكانيكية من خلال ربط سمات الصور بحالات فيزيائية محددة.
- يُسهل الاختبار السريع للفرضيات بأقل قدر من عينات الإدخال والأعباء الحسابية.
الفحص وتطوير المقايسة
- يوفر استخلاصاً موحداً وقابلاً للتكرار لسمات الصور من أجل تدفقات عمل المقايسات اللاحقة.
- يتيح إجراء مسح واسع النطاق من خلال تقليل متطلبات العينات والأجهزة اللازمة لتصنيف الحالة.
- يقدم مخرجات كمية مناسبة لخطوط أنابيب التقييم الآلية أو شبه الآلية.
الأبحاث الانتقالية وما قبل السريرية
- يدعم الاستمرارية من مرحلة الاكتشاف إلى التحقق قبل السريري من خلال تمكين التعرف المتسق على الحالة عبر مجموعات البيانات.
- يحسن قرارات التقدم المعدلة حسب المخاطر من خلال تحليلات موضوعية قائمة على المعايير.
- يتماشى مع استراتيجيات المؤشرات الحيوية الانتقالية عندما ترتبط سمات الصور بالنهايات الوظيفية.
تكامل مسار العمل والتدفق الإجرائي
يدمج بروتوكول التعرف على الصور القائم على SVM هذا عند الواجهة الفاصلة بين بيولوجيا الاكتشاف والفحص والتحليلات، مما يدعم سير العمل بدءاً من اختبار الفرضيات المبكرة وصولاً إلى التحقق قبل السريري.
- بيولوجيا الاكتشاف: تتيح تمييز الحالة بناءً على الفرضيات باستخدام سمات الصور الكمية.
- الفحص: توفر مخرجات قابلة للتكرار ومحسنة المعاملات لتقييم عالي الإنتاجية.
- التحليلات: تقدم قياسات سريعة ورصينة إحصائياً لمقارنة الظروف ودعم اتخاذ القرار.
- الأبحاث الانتقالية: تحافظ على استمرارية معايير القياس عبر مراحل البحث عندما يكون ذلك قابلاً للتطبيق.
- إعادة الاستخدام في المؤسسات: توفر قدرة قابلة للتوسع ومنخفضة الموارد للتطبيق المتكرر عبر مشاريع البحث والتطوير المتنوعة.
التأثير التشغيلي والمؤسسي
- القيمة العلمية: تزيد من الثقة التنبؤية وتقلل من الغموض في تصنيف الحالة.
- القيمة التشغيلية: توحد تحليل الصور بأدنى حد من متطلبات العينات والأجهزة.
- القيمة الاستراتيجية: تتيح اتخاذ قرارات "المضي قدماً أو التوقف" (go/no-go) وتخصيص الموارد بكفاءة من خلال تحليلات كمية سريعة.
- تأثير المحفظة: تدعم ترتيب الأولويات المعدلة وفقاً للمخاطر والتقدم عبر برامج متعددة.
اعتبارات التنفيذ
- يتطلب خبرة في تحليل الصور وتحسين معلمات SVM.
- يعمل على بنية تحتية حوسبية قياسية، مما يقلل من عوائق الدخول للتطبيق.
- يتطلب اتفاقاً بين الفرق حول استخراج الميزات وإعدادات المعلمات لضمان القابلية للتكرار.
- قابل للتكيف مع دقة صور واستراتيجيات تقسيم مختلفة وفقاً لما يدعمه البروتوكول.
- تتأثر دقة التعرف بحجم الكتلة، والفواصل الإحصائية، وعتبات الثنائية.
الأسئلة الشائعة حول المستحضرات الصيدلانية الحيوية
Chapters in this video
0:00
Introduction
1:25
Concrete Sample Image Acquisition to Extract Concrete Characteristics
3:00
Gray Binarization of Concrete Image Sample
4:54
Calculation of Directional Gradient Eigenvalue for Support Vector Machine Training
6:57
Support Vector Machine (SVM) Training to Identify the Vibration State of Concrete
